Es un gran negocio en términos de dinero. Pero solo por lo mejor.
La ciencia de datos es solo un término amplio. Los mercados financieros siempre buscan a alguien que pueda manejar la gran cantidad de datos que se encuentra en una gran empresa (y hacer algo eficiente con ella, como aumentar la productividad).
Esto puede ser todo, desde datos que extrae de Bloomberg hasta datos que obtiene a través de proveedores externos como Sungard o datos internos obtenidos sobre cómo se sienten las personas y cómo puede agrupar esto y presentar algunas regresiones para mostrarle a la gerencia cómo puede hacer que las personas menos estresado y más eficiente.
- ¿Es la aplicación del sistema de semáforo de álgebra lineal? ¿Si es así, entonces cómo? Explicar brevemente.
- ¿Qué está impulsando la prisa de la industria financiera para adoptar Big Data?
- ¿Cuáles son las oportunidades para un ingeniero de ciencia de datos / aprendizaje profundo en el futuro?
- ¿De dónde obtienen sus datos plataformas como CrunchBase, Dealflow, Exitround y PitchBook?
- ¿Cuáles son algunos de los mejores algoritmos de minería de datos de predicción de ventas?
Personalmente, aún no me han impresionado las personas con un título en ciencias de datos. Me parece un desperdicio, pero esta es puramente mi opinión. Cómo manejar datos no es ciencia espacial, el modelado tampoco es ciencia espacial. Seguir ciertos grados académicos sobre modelado y programación es lo mismo. Incluso este dinero haciendo torneos de datos. Realmente no me importa eso.
Me importa mucho más poder ofrecer una solución práctica en el tiempo de velocidad del cohete que funciona como un tren. La mayoría de los quants que conozco saben cómo hacerlo.
1) Me gusta: ¿mis traders son reacios al riesgo o asumen riesgos en espera de las conversaciones que mantienen con el gestor de riesgos mencionado en esa mesa?
- Arma un modelo donde enumera todos los grandes eventos políticos que podrían haber afectado el escritorio de los comerciantes al VaR que estaban ejecutando ese día. Combine algunas variables adicionales, como el comerciante y el administrador de riesgos hablaron más o menos antes de los eventos, etc. Y vea si encuentra evidencia estadística que muestre si el operador aumentó o disminuyó el riesgo antes de un evento y si el administrador de riesgos tuvo un impacto en él.
2) ¿O tiene aversión al riesgo / busca riesgos algo que ver con la asimetría y la curtosis de los productos que los clientes pueden elegir?
- Pones un modelo juntos (como el modelo PGP que he descrito en publicaciones anteriores) y verificas este reclamo
- Y si encuentra un enlace, entonces puede usar esta información comprobando las métricas de riesgo que están mejor alineadas para la asimetría y la curtosis que las métricas normales, como sharpe, st.dev
En general: independientemente de lo que estudies, donde sea que vengas en los mercados financieros encontrarás un problema. Este problema puede ser que la empresa asume demasiado riesgo, tiene demasiados empleados deprimidos, tiene problemas de confianza, etc. Observa el problema, recopila todos los datos y comienza a buscar una solución. Esto puede ser a través de VBA, python, MATLAB, a quién le importa. Poder resolver estos problemas es donde ganarás dinero. Dado que todo está digitalizado actualmente, tienes suficientes datos para jugar. Estos trabajos nunca desaparecerán.
